1. परिचय

सरफेस माउंट टेक्नोलॉजी (SMT) आधुनिक इलेक्ट्रॉनिक्स निर्माण की आधारशिला है। SMT रिफ्लो सोल्डरिंग प्रक्रिया के दौरान, एक महत्वपूर्ण लेकिन अनुमान लगाने में कठिन घटना घटक स्व-संरेखण है - यानी पिघले हुए सोल्डर पेस्ट पर घटक का सतह तनाव द्वारा संचालित आंदोलन। हालांकि स्व-संरेखण मामूली प्लेसमेंट त्रुटियों को ठीक करने में मदद करता है, लेकिन गलत स्व-संरेखण से टॉम्बस्टोनिंग, ब्रिजिंग आदि दोष उत्पन्न हो सकते हैं। यह अध्ययन सैद्धांतिक समझ और व्यावहारिक भविष्यवाणी के बीच की खाई को पाटने का लक्ष्य रखता है, एक डेटा-संचालित मशीन लर्निंग मॉडल विकसित करके, जो x, y और रोटेशन ($\theta$) दिशाओं में घटक के ऑफसेट की उच्च सटीकता के साथ भविष्यवाणी कर सके।

2. पद्धति और प्रयोगात्मक व्यवस्था

इस अध्ययन ने एक दो-चरणीय दृष्टिकोण अपनाया: पहले कारकों के बीच संबंधों को समझने के लिए प्रायोगिक डेटा का विश्लेषण किया गया, और फिर भविष्यवाणी करने के लिए उन्नत मशीन लर्निंग मॉडल लागू किए गए।

2.1 डेटा संग्रह और प्रभावित करने वाले कारक

स्व-संरेखण और प्रमुख चरों के बीच संबंध स्थापित करने के लिए प्रयोगात्मक डेटा एकत्र करना:

  • घटक ज्यामितीय आयाम: Length, Width, Height.
  • Pad Geometric Dimensions: Pad Size and Pitch.
  • माउंट ऑफसेट: x और y दिशाओं में प्रारंभिक माउंट त्रुटि।
  • सोल्डर पेस्ट विशेषताएँ: आयतन, मिश्र धातु संरचना।
  • प्रक्रिया पैरामीटर: रिफ्लो सोल्डरिंग तापमान प्रोफ़ाइल के संबंधित पहलू।
लक्ष्य चर अंतिम x-दिशा ऑफ़सेट ($\Delta x$), y-दिशा ऑफ़सेट ($\Delta y$) और रोटेशन ऑफ़सेट ($\Delta \theta$) हैं।

2.2 मशीन लर्निंग मॉडल

तीन प्रतिगमन मॉडलों को कार्यान्वित और तुलना की गई:

  • सपोर्ट वेक्टर रिग्रेशन (SVR): उच्च-आयामी स्थान में उत्कृष्ट प्रदर्शन करता है।
  • न्यूरल नेटवर्क (NN): गैर-रैखिक संबंधों को पकड़ने के लिए बहु-परत अवधारणात्मक।
  • रैंडम फॉरेस्ट रिग्रेशन (RFR): निर्णय वृक्षों का एक समूहीकरण तरीका, जो ओवरफिटिंग के प्रति मजबूत है।
मॉडल को इनपुट फीचर स्पेस को घटक गति के त्रि-आयामी आउटपुट स्पेस पर मैप करने के लिए प्रशिक्षित किया गया है।

3. परिणाम और प्रदर्शन विश्लेषण

3.1 मॉडल तुलना

सभी पूर्वानुमान कार्यों में, रैंडम फॉरेस्ट रिग्रेशन (RFR) का प्रदर्शन सपोर्ट वेक्टर रिग्रेशन और न्यूरल नेटवर्क से बेहतर रहा।

RFR पूर्वानुमान फिटनेस (R²)

99%

X दिशा ($\Delta x$)

RFR पूर्वानुमान फिटनेस (R²)

99%

Y दिशा ($\Delta y$)

RFR पूर्वानुमान फिटनेस (R²)

96%

घूर्णन ($\Delta \theta$)

औसत पूर्वानुमान त्रुटि

~13 µm, ~12 µm, 1.52°

Δx, Δy, Δθ के अनुरूप

3.2 पूर्वानुमान सटीकता

RFR मॉडल ने अत्यंत कम पूर्वानुमान त्रुटि हासिल की: x-दिशा ऑफसेट औसतन 13.47 µm, y-दिशा ऑफसेट औसतन 12.02 µm, और घूर्णन ऑफसेट औसतन 1.52 डिग्री है। माइक्रोन-स्केल SMT असेंबली के लिए, यह सटीकता स्तर महत्वपूर्ण है और गलत संरेखण के कारण होने वाले दोषों को कम करने की संभावना रखता है।

4. तकनीकी ढांचा एवं विश्लेषण

इस अध्ययन के योगदान और सीमाओं का उद्योग विश्लेषक के परिप्रेक्ष्य से परीक्षण।

4.1 Core Insights and Logical Flow

इस लेख की मूल अंतर्दृष्टि एक प्रतिमान परिवर्तन है: स्व-संरेखण को कम से कम करने के लिए एक अराजक भौतिक घटना के रूप में नहीं, बल्कि इसे एकपूर्वानुमेय, प्रतिकार योग्य सिस्टम आउटपुट के रूप में देखना।इसकी तार्किक प्रवाह अकाट्य है: 1) स्वीकार करें कि उद्योग प्लेसमेंट ऑफसेट को संभालने के लिए अत्यधिक सरलीकृत अनुभवजन्य नियमों पर निर्भर करता है; 2) विस्थापन का कारण बनने वाले बहुचर ड्राइवरों (पैड/घटक ज्यामिति, सोल्डर पेस्ट) को व्यवस्थित रूप से कैप्चर करें; 3) एकीकृत मशीन लर्निंग (RFR) लागू करें, एक ऐसी विधि जो संभावित इंटरैक्शन वाले सारणीबद्ध, बहु-कारक डेटा को संभालने के लिए स्वाभाविक रूप से उपयुक्त है; 4) एक मॉडल वितरित करें जिसका आउटपुट ($\Delta x, $\Delta y, $\Delta \theta$) सीधे प्लेसमेंट मशीन प्रोग्रामिंग में सुधारात्मक कारक के रूप में इनपुट किया जा सके। यह अवलोकन से कार्रवाई तक एक बंद-लूप प्राप्त करता है।

4.2 Advantages and Key Deficiencies

लाभ: RFR का चयन इस अध्ययन का एक उत्कृष्ट निर्णय है। ब्लैक-बॉक्स डीप लर्निंग मॉडल्स के विपरीत, जिन्हें लाखों डेटा पॉइंट्स की आवश्यकता हो सकती है, RFR छोटे, महंगे प्रायोगिक डेटासेट के साथ उच्च सटीकता प्रदान कर सकता है और सुविधा महत्व मेट्रिक्स प्रदान करता है - यह उन प्रक्रिया इंजीनियरों के लिए एक वरदान है जो यह समझने का प्रयास कर रहे हैं कि पहले किस पैरामीटर को समायोजित किया जाना चाहिए। केवल रैखिक ऑफसेट के बजाय रोटेशन पूर्वानुमान पर ध्यान केंद्रित करना, सरल मॉडल्स में अक्सर अनदेखी की जाने वाली एक महत्वपूर्ण वास्तविक-विश्व विफलता मोड (टॉम्बस्टोनिंग) का समाधान करता है।

प्रमुख कमियाँ: एक स्पष्ट प्रश्न यह है किमॉडल की स्थानांतरणीयतायह मॉडल लगभग निश्चित रूप से विशिष्ट घटक श्रृंखलाओं (संभवतः 0402, 0603 रेसिस्टर/कैपेसिटर जैसे निष्क्रिय घटक) और विशिष्ट सोल्डर पेस्ट पर प्रशिक्षित किया गया है। बड़े QFP या बॉटम टर्मिनेशन कंपोनेंट्स (BTC) के द्रव गतिकी गुण पूरी तरह से भिन्न होते हैं। इसकी सामान्यीकरण क्षमता सिद्ध किए बिना, यह एक उत्कृष्ट प्रूफ-ऑफ-कॉन्सेप्ट बना रहता है, न कि प्लग-एंड-प्ले समाधान। दूसरा, यह अध्ययन रिफ्लो प्रोफ़ाइल को एक समग्र इनपुट के रूप में मानता है औरसमय-तापमान तापन दर और शिखर तापमानसोल्डर पेस्ट की चिपचिपाहट और सतह तनाव पर महत्वपूर्ण प्रभाव, जो स्व-संरेखण की प्रेरक शक्ति है।

4.3 क्रियान्वयन योग्य अंतर्दृष्टि

SMT प्रक्रिया इंजीनियरों और उपकरण निर्माताओं के लिए, यह अध्ययन एक स्पष्ट रोडमैप प्रदान करता है:

  1. तत्काल कार्रवाई: अपने सबसे अधिक उत्पादन वाले और दोष-प्रवण घटकों के लिए, इस अध्ययन को आंतरिक रूप से दोहराएं। अपना स्वामित्व वाला डेटासेट बनाना शुरू करें; लेख में रेखांकित की गई विशेषताओं का सेट एकदम सही है।
  2. रणनीतिक निवेश: प्लेसमेंट मशीन आपूर्तिकर्ताओं (जैसे ASM, Fuji, Mycronic) पर दबाव डालें कि वे इस तरह के पूर्वानुमान मॉडल को "प्रक्रिया ऑप्टिमाइज़र" मॉड्यूल के रूप में अपने सॉफ़्टवेयर सूट में एकीकृत करें। पुनर्कार्य को कम करने और पहली बार में पास होने की दर बढ़ाने से मिलने वाला निवेश पर प्रतिफल बहुत बड़ा है।
  3. अनुसंधान एवं विकास दिशा: फीचर स्पेस का विस्तार करें, तापमान प्रोफाइल विशेषताओं और सोल्डर पेस्ट रियोलॉजी डेटा को शामिल करें। सोल्डर पेस्ट आपूर्तिकर्ताओं (जैसे Indium, Henkel) के साथ सहयोग करके उनके मटेरियल मॉडल को एकीकृत करें।
  4. गुणवत्ता नियंत्रण: मॉडल की भविष्यवाणी को न केवल प्लेसमेंट सुधार के लिए, बल्कि एक आभासी मेट्रोलॉजी टूल के रूप में भी उपयोग किया जाता है। यदि भविष्यवाणी की गई ऑफसेट सुरक्षा विंडो से बाहर है, तो रिफ्लो सोल्डरिंगसे पहलेबोर्ड को निरीक्षण के लिए चिह्नित करें, ताकि बर्बादी रोकी जा सके।
इस कार्य ने न केवल विस्थापन का पूर्वानुमान लगाया, बल्कि SMT क्षेत्र के लिए"सटीक दोष निवारण"गणितीय आधार प्रदान किया।

5. मौलिक विश्लेषण एवं उद्योग परिप्रेक्ष्य

यह शोध इलेक्ट्रॉनिक्स विनिर्माण के क्षेत्र में मशीन लर्निंग के एक लंबे समय से चले आ रहे "ब्लैक मैजिक" पर एक महत्वपूर्ण और समयोचित अनुप्रयोग का प्रतिनिधित्व करता है। दशकों से, सेल्फ-अलाइनमेंट की घटना को केशिका बल समीकरणों के माध्यम से समझा जाता रहा है और जटिल कम्प्यूटेशनल फ्लूइड डायनेमिक्स (सीएफडी) सिमुलेशन के साथ मॉडल किया जाता रहा है, जैसा कि IEEE Transactions on Components, Packaging, and Manufacturing Technology जैसी मौलिक कृतियों में देखा जा सकता है। हालाँकि, ये विधियाँ कम्प्यूटेशनल रूप से महंगी हैं और रीयल-टाइम प्रक्रिया अनुकूलन के लिए तैनात करना मुश्किल है। लेखकों की डेटा-संचालित पद्धति अंतर्निहित नेवियर-स्टोक्स समीकरणों को स्पष्ट रूप से हल करने की आवश्यकता को दरकिनार करते हुए, सीधे डेटा से इनपुट-आउटपुट संबंध सीखती है - यह दृष्टिकोण एयरोडायनामिक्स डिजाइन जैसे अन्य क्षेत्रों में सरोगेट मॉडल की सफलता की प्रतिध्वनि है।

रिपोर्ट की गई लगभग 13 µm की सटीकता उल्लेखनीय है। अधिक सहज समझ के लिए, यह मिड-रेंज प्लेसमेंट मशीन की स्वयं की प्लेसमेंट सटीकता के परिमाण के लगभग बराबर है। इसका अर्थ है कि मॉडल की भविष्यवाणी सुधारात्मक प्रतिक्रिया के लिए उपयोग करने के लिए पर्याप्त रूप से सटीक है।सुधारात्मक प्रतिक्रियाएक ऐसी प्रणाली की कल्पना की जा सकती है: प्रारंभिक प्लेसमेंट के बाद, मॉडल रिफ्लो के बाद की स्थिति की भविष्यवाणी करता है, और फिर मशीन को शुद्ध शून्य ऑफसेट प्राप्त करने के लिए प्लेसमेंट निर्देशांक को तदनुसार समायोजित करने का निर्देश देता है। यह व्यापक Industry 4.0 प्रवृत्ति - डिजिटल ट्विन और भविष्य कहनेवाला विश्लेषण का उपयोग करके बंद-लूप प्रक्रिया नियंत्रण - के अनुरूप है, जिसे स्मार्ट मैन्युफैक्चरिंग रिसर्च इंस्टीट्यूट जैसे शोध गठबंधनों द्वारा सक्रिय रूप से बढ़ावा दिया जा रहा है।

हालांकि, एक आलोचनात्मक दृष्टिकोण बनाए रखने की आवश्यकता है। मॉडल का प्रदर्शन संभवतः प्रशिक्षण डेटा की गुणवत्ता और दायरे पर निर्भर करता है। पेपर में घटक और पैड ज्यामिति जैसे कारकों का उल्लेख किया गया है, लेकिन सटीक डेटासेट आकार और विविधता (उदाहरण के लिए, 0201 से 1210 तक घटक आकार की सीमा) पर विस्तार से चर्चा नहीं की गई है। किसी भी मशीन लर्निंग मॉडल की तरह, अदृश्य घटक प्रकारों या नई सोल्डर पेस्ट रेसिपी के लिए खराब सामान्यीकरण का जोखिम मौजूद है। इसके अलावा, हालांकि RFR का 99% R² प्रभावशाली है, त्रुटि वितरण की सावधानीपूर्वक जांच की जानी चाहिए। विनिर्माण में, कुछ विनाशकारी आउटलायर्स (उदाहरण के लिए, 50 µm के ऑफसेट को 5 µm के रूप में भविष्यवाणी करना) थोड़ी अधिक औसत त्रुटि की तुलना में अधिक हानिकारक हो सकते हैं। सबसे खराब स्थिति की भविष्यवाणी त्रुटि और मॉडल अनिश्चितता मात्रा पर चर्चा करके इस अध्ययन को मजबूत किया जाएगा, ये अवधारणाएं इंजीनियरिंग विश्वसनीय मशीन लर्निंग में, जैसा कि Nature Machine Intelligence जैसे जर्नलों में चर्चा की जाती है, तेजी से महत्वपूर्ण हो रही हैं। इन विचारों के बावजूद, यह कार्य SMT प्रक्रिया इंजीनियरों के लिए एक शक्तिशाली नए उपकरण का सफलतापूर्वं प्रदर्शन करता है, जो इस क्षेत्र को गुणात्मक समझ से मात्रात्मक भविष्यवाणी की ओर ले जा रहा है।

6. तकनीकी विवरण एवं गणितीय सूत्र

मुख्य पूर्वानुमान कार्य एक बहु-परिवर्तनीय प्रतिगमन समस्या है। इनपुट विशेषता वेक्टर को $\mathbf{X} = [x_1, x_2, ..., x_n]$ के रूप में परिभाषित करें, जहाँ $x_i$ घटक लंबाई, पैड चौड़ाई, प्रारंभिक ऑफसेट आदि कारकों का प्रतिनिधित्व करता है। आउटपुट वेक्टर $\mathbf{Y} = [\Delta x, \Delta y, \Delta \theta]$ है।

रैंडम फॉरेस्ट मॉडल $F(\mathbf{X})$, $K$ निर्णय वृक्षों $\{T_1(\mathbf{X}), T_2(\mathbf{X}), ..., T_K(\mathbf{X})\}$ का एक समूह है। अंतिम पूर्वानुमान सभी वृक्षों के पूर्वानुमानों का औसत है:

7. प्रयोगात्मक परिणाम और ग्राफ़ विवरण

ग्राफ़ विवरण (परिणाम-आधारित परिकल्पना): एक महत्वपूर्ण दृश्य प्रस्तुति 3x1 पैनल होगी, जिसमें सर्वश्रेष्ठ प्रदर्शन करने वाले RFR मॉडल द्वारा $\Delta x$, $\Delta y$ और $\Delta \theta$ के लिए पूर्वानुमानित मानों की तुलना वास्तविक मानों से करने वाले स्कैटर प्लॉट शामिल होंगे। प्रत्येक ग्राफ़ का x-अक्ष वास्तविक मापित ऑफ़सेट होगा और y-अक्ष मॉडल द्वारा पूर्वानुमानित ऑफ़सेट होगा। सटीक पूर्वानुमान रेखा $y=x$ पर पड़ेंगे। $\Delta x$ और $\Delta y$ के ग्राफ़ एक सघन, रैखिक बिंदु समूह दिखाएंगे जो आदर्श रेखा के बहुत निकट होंगे, जो 99% $R^2$ मान की पुष्टि करेंगे। $\Delta \theta$ ग्राफ़ भी एक मजबूत रैखिक प्रवृत्ति दिखाएगा, लेकिन थोड़ा अधिक फैलाव के साथ, जो 96% $R^2$ के अनुरूप है। MAE मान (13.47 µm आदि) प्रत्येक उप-ग्राफ़ पर स्पष्ट रूप से प्रदर्शित किए जाएंगे। दूसरा ग्राफ़ तीन मॉडलों (RFR, SVR, NN) के तीन आउटपुट चरों के लिए $R^2$ या MAE की तुलना करने वाला एक बार ग्राफ़ हो सकता है, जो स्पष्ट रूप से दर्शाएगा कि RFR का प्रदर्शन सभी मामलों में श्रेष्ठ और सुसंगत है।

8. विश्लेषण ढांचा: एक कोड-मुक्त केस स्टडी

परिदृश्य: एक इलेक्ट्रॉनिक मैन्युफैक्चरिंग सर्विसेज (EMS) प्रदाता उच्च विश्वसनीयता वाली ऑटोमोटिव सर्किट बोर्ड असेंबली प्रक्रिया में 0603 कैपेसिटर के टॉम्बस्टोनिंग दोष से जूझ रहा था।

  1. समस्या परिभाषा: लक्ष्य चर परिभाषित करें: $\Delta \theta$ (रोटेशन) को टॉम्बस्टोनिंग जोखिम के प्राथमिक भविष्यवक्ता के रूप में परिभाषित करें। इनपुट विशेषताओं को परिभाषित करें: घटक लंबाई/चौड़ाई, पैड आकार असममिति, पैड के बीच सोल्डर पेस्ट आयतन भिन्नता, प्रारंभिक प्लेसमेंट x ऑफसेट।
  2. डेटा संग्रह: इनपुट विशेषताओं को व्यवस्थित रूप से बदलने के लिए एक प्रयोग डिजाइन (DOE) तैयार करें। रिफ्लो से पहले स्वचालित ऑप्टिकल निरीक्षण (AOI) का उपयोग करके प्रारंभिक प्लेसमेंट स्थिति मापें, और रिफ्लो के बाद AOI का उपयोग करके अंतिम $\Delta \theta$ मापें। लगभग 500 बोर्ड असेंबली वाला एक डेटासेट संकलित करें।
  3. मॉडल विकास और विश्लेषण: तैयार उपकरणों (जैसे Python का scikit-learn) का उपयोग करके RFR मॉडल को प्रशिक्षित करें। केवल सटीकता पर ध्यान न दें; निकालेंविशेषता महत्वमॉडल प्रकट कर सकता हैपैड आकार असममितिघूर्णन पूर्वानुमान में योगदान 40% है, जबकिसोल्डर पेस्ट आयतन भिन्नतायोगदान 35% है। यह स्पष्ट रूप से इंजीनियरों को बताता है कि पहले किस डिज़ाइन नियम (पैड ज्यामिति आयाम) या प्रक्रिया पैरामीटर (स्टेंसिल एपर्चर डिज़ाइन) को समायोजित करना चाहिए।
  4. तैनाती: 将模型的预测整合到一条规则中：“如果预测的 $|\Delta \theta| > 5°$，则按 $[-\Delta x_{pred}, -\Delta y_{pred}]$ 调整贴装坐标，或标记为手动检查。”
यह ढांचा एक गुणवत्ता समस्या को डेटा-संचालित अनुकूलन चक्र में परिवर्तित करता है।

9. भविष्य के अनुप्रयोग एवं शोध दिशाएँ

  • डिजिटल ट्विन के साथ एकीकरण: भविष्यवाणी मॉडल को SMT उत्पादन लाइन के संपूर्ण डिजिटल ट्विन में एम्बेड करना, जो भौतिक उत्पादन से पहले आभासी प्रक्रिया अनुकूलन और "क्या-अगर" परिदृश्य परीक्षण की अनुमति देता है।
  • रीयल-टाइम अनुकूली नियंत्रण: मॉडल को ऑनलाइन 3D सोल्डर पेस्ट निरीक्षण (SPI) और रिफ्लो से पहले के AOI डेटा के साथ एकीकृत करना, रीयल-टाइम, सिंगल-बोर्ड स्तर पर प्लेसमेंट सुधार को सक्षम करना, जो वन-पीस फ्लो के अनुकूलन की दिशा में एक कदम है।
  • उन्नत पैकेजिंग तक विस्तार: इस पद्धति को अधिक जटिल घटकों (जैसे बॉल ग्रिड ऐरे (BGA), क्वाड फ्लैट नो-लीड (QFN), और हेटरोजीनियस इंटीग्रेशन पैकेज) के सेल्फ-अलाइनमेंट की भविष्यवाणी के लिए लागू करें, जिनके अलाइनमेंट आवश्यकताएँ अधिक महत्वपूर्ण हैं।
  • मल्टी-फिजिक्स हाइब्रिड मॉडल: डेटा-ड्रिवन मॉडल को रिड्यूस्ड-ऑर्डर फिजिकल मॉडल (जैसे सरलीकृत सरफेस टेंशन समीकरण) के साथ संयोजित करके हाइब्रिड मॉडल बनाएँ, जिन्हें कम डेटा की आवश्यकता हो, अधिक व्याख्यात्मक हों और नए परिदृश्यों के लिए बेहतर सामान्यीकरण क्षमता रखते हों।
  • सक्रिय निर्माण-उन्मुख डिजाइन (DFM): PCB डिजाइन चरण में विभिन्न पैड ज्यामिति और घटक लेआउट के स्व-संरेखण जोखिम का अनुकरण और मूल्यांकन करने के लिए इस मॉडल का उपयोग करें, ताकि डिजाइनरों को अधिक मजबूत लेआउट अपनाने के लिए मार्गदर्शन मिल सके।

10. संदर्भ सूची

  1. Parviziomran, I., Cao, S., Srihari, K., & Won, D. (年份). Data-Driven Prediction Model of Components Shift during Reflow Process in Surface Mount Technology. [期刊名称].
  2. IEEE Transactions on Components, Packaging and Manufacturing Technology. (Various). Research on capillary forces and self-alignment in solder joint formation.
  3. Breiman, L. (2001). Random Forests. मशीन लर्निंग, 45(1), 5–32.
  4. Smart Manufacturing Institute. (2023). Digital Twins for Advanced Manufacturing. [Online]. Available: https://www.smartmanufacturinginstitute.org
  5. Nature Machine Intelligence. (2022). इंजीनियरिंग में मशीन लर्निंग के लिए अनिश्चितता मात्रात्मककरण पर परिप्रेक्ष्य। 4, 101–102.
  6. Lv, et al. (वर्ष). इलेक्ट्रॉनिक्स विनिर्माण में डेटा माइनिंग की एक समीक्षा। [जर्नल का नाम]।